ПРОГНОСТИЧНЕ МОДЕЛЮВАННЯ В SMART CITY НА ОСНОВІ ARIMA-МОДЕЛЕЙ
DOI: 10.31673/2786-8362.2025.025360
Анотація
У статті досліджується застосування
ARIMA-моделей для прогнозування часових рядів. Розглянуто базові моделі ARIMA та їх
модифікації з корекцією залишків, які дозволяють враховувати додаткові структурні закономірності
у часових рядах та підвищувати точність прогнозу. Для оцінки ефективності моделей використано
комплекс метрик точності — MAE, RMSE, sMAPE, MAPE та MASE — а також багатокритеріальне
ранжування моделей для визначення оптимальної конфігурації. Результати дослідження
підтверджують доцільність застосування ARIMA з корекцією залишків для коротко- та
середньострокового прогнозування. Практичне значення роботи полягає у підвищенні точності
прогнозів та підтримці прийняття рішень в інформаційно-орієнтованому міському середовищі.
Ключові слова: часові ряди, прогнозування, модель ARIMA, модель ARIMA з залишками,
критерії вибору моделі
Список використаної літератури
1. Zhang Z., Ren S., Qian X., Duffield N. Towards Invariant Time Series Forecasting in Smart
Cities // arXiv preprint arXiv:2405.05430. 2024. URL: https://arxiv.org/abs/2405.05430.
2. Liang S. Predicting short-term urban bike sharing demand in a smart city // Computers,
Environment and Urban Systems. 2026. Vol. 88. P. 101703. URL:
https://doi.org/10.1016/j.compenvurbsys.2021.101703.
3. Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control. Prentice Hall, 1970.
4. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. OTexts, 2021. URL:
https://otexts.com/fpp3/.
5. Yavuz V.S. Forecasting monthly rainfall and temperature patterns in Van Province, Türkiye
using ARIMA and SARIMA models // Journal of Water and Climate Change. 2025.
6. GeeksforGeeks. ARIMA vs. SARIMA model. URL:
https://www.geeksforgeeks.org/machine-learning/arima-vs-sarima-model/.
7. Machine Learning Mastery. Model residual errors: Correct time series forecasts in Python.
URL: https://machinelearningmastery.com/model-residual-errors-correct-time-series-forecastspython/.
8. ARIMA-model of Ukrainian Macroeconomic Indicators Forecasting // In: Emergence of
public development: financial and legal aspects: monograph. Coventry: Agenda Publishing House,
2019. P. 213-221.
9. Application of residual modification approach in seasonal ARIMA for electricity demand
forecasting: A case study of China / Y. Wang et al. Energy Policy. 2012. Vol. 48. P. 284–294. URL:
https://doi.org/10.1016/j.enpol.2012.05.026.
10. Real-Time Temperature Prediction Models for Smart City Applications. URL:
https://www.researchgate.net/publication/388194104_RealTime_Temperature_Prediction_Models_for_Smart_City_Applications.
11. Kyiv, Ukraine Weather Statistics Dataset. URL:
https://www.kaggle.com/datasets/thedevastator/kyiv-ukraine-weather-statistics
12. APXML. ARIMA Model Diagnostics. URL: https://apxml.com/courses/time-seriesanalysis-forecasting/chapter-4-arima-models-forecasting/arima-modeldiagnostics?utm_source=chatgpt.com.
13. Bhutani K. Evaluating Time Series Models for Real-World Forecasting: A Practical
Comparison. URL: https://medium.com/%40karanbhutani477/evaluating-time-series-models-forreal-world-forecasting-a-practical-comparison-5c9622618715.
14. Khudov H., Makoveychuk O., Butko I., Khizhnyak I. A model for prediction of geospatial
data in systems for processing geospatial information // Systems of Arms and Military Equipment. –
2021. № 2(66). С. 123-128. URL: https://doi.org/10.30748/soivt.2021.66.16.
15. Google Colab. URL: https://colab.google/.
16. Pandas. URL: https://pandas.pydata.org/.
17. NumPy. URL: https://numpy.org/.
18. Statsmodels. URL: https://www.statsmodels.org/stable/index.html.
19. Seaborn. URL: https://seaborn.pydata.org/.
